BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1. Deskripsi Obyek Penelitian 4.1.1. Gambaran Umum Perusahaan
4.2. Deskripsi Hasil Penelitian 4.2.1. Penyebaran Kuisioner
Kuisioner disebarkan untuk mendapatkan sampel dengan menggunakan teknik Purposive Sampling, yaitu teknik penarikan sampel non probabilitas
terhadap konsumen yang sedang menanyakan informasi dan mempunyai niatan untuk membeli sepeda motor Jupiterr MX di dealer Yamaha Mayjend Sungkono
Surabaya, diolah dengan menggunakan structural equation modelling. Kuesioner ini di sebarkan sekitar 100 kuesioner .
4.2.2. Keadaan Responden
Data mengenai keadaan responden dapat diketahui melalui jawaban responden dari pertanyaan–pertanyaan yang diajukan didalam pertanyaan umum
kuisener yang telah diberikan. Dari jawaban–jawaban tersebut diketahui hal–hal seperti dibawah ini.
a. Jenis Kelamin Dari 108 responden yang menjawab kuisioner yang telah diberikan dapat
diketahui jenis kelamin dari responden yakni pada tabel dibawah ini.
Tabel 4.2: Karakteristik Responden Berdasarkan Usia
18 13.8
13.8 13.8
47 36.2
36.2 50.0
44 33.8
33.8 83.8
21 16.2
16.2 100.0
130 100.0
100.0 21-30
31-40 41-50
=51 Total
Valid Frequency
Percent Valid Percent
Cumulative Percent
Sumber: Data Diolah Berdasarkan data di atas bahwa mayoritas konsumen yang melakukan
transaksi pembelian kebanyakan adalah konsumen yang berusia 31-40 tahun, usia tersebut menunjukkan bahwa pola aktivitas konsumen banyak melakukan
kegiatan pencarian informasi mengenai sepeda motor yang konsumen sukai
4.3. Analisis Dan Pengujian Hipotesis 4.3.1. Uji Outlier
Outlier adalah observasi atau data yang memiliki karakteristik unik yang
terlihat sangat berbeda jauh dari observasi-observasi lainnya dan muncul dalam bentuk nilai ekstrim untuk sebuah variabel tunggal atau variabel kombinasi atau
mutivariat Hair, 1998. Evaluasi terhadap outlier multivariate antar variabel perlu dilakukan sebab walaupun data yang dianalisis menunjukkan tidak ada
outliers pada tingkat univariate, tetapi observasi itu dapat menjadi outliers bila sudah saling dikombinasikan. Jarak antara Mahalanobis untuk tiap-tiap observasi
dapat dihitung dan akan menunjukkan sebuah observasi dari rata-rata semua variabel dalam sebuah ruang multidimensional Hair.dkk, 1998; Tabachnick
Fidel, 1996. Uji terhadap outliers multivariate dilakukan dengan menggunakan jarak Mahalanobis pada tingkat p 1. Jarak Mahalanobis itu dievaluasi dengan
menggunakan χ² chi kuadrat pada derajat bebas sebesar jumlah variabel yang
digunakan dalam penelitian ini. Hasil uji outlier tampak pada tabel berikut: Tabel 4.3. Hasil Uji Outlier
Residuals Statisticsa Minimum
Maximum Mean
Std. Deviation
N Predicted Value
-8.806 108.919
54.500 25.820
108 Std. Predicted Value
-2.452 2.108
0.000 1.000
108 Standard Error of
Predicted Value 6.007 11.822 8.085
1.064 108
Adjusted Predicted Value -12.005
118.413 54.423
26.133 108
Residual -44.919 45.279
0.000 17.729
108 Std. Residual
-2.311 2.329
0.000 0.912
108 Stud. Residual
-2.543 2.475
0.002 1.000
108 Deleted Residual
-54.413 51.107
0.077 21.333
108 Stud.
Deleted Residual -2.626
2.550 0.002 1.012
108 Mahal. Distance
9.227 38.582
17.833 5.101
108 Cooks Distance
0.000 0.072
0.011 0.016
108 Centered Leverage Value
0.086 0.361
0.167 0.048
108 a Dependent Variable: RESP
Sumber : Data Diolah Deteksi terhadap multivariat outliers dilakukan dengan menggunakan
kriteria Jarak Mahalanobis pada tingkat p 0,001. Jarak Mahalanobis itu dievaluasi dengan menggunakan
2
pada derajat bebas sebesar jumlah variabel yang digunakan dalam penelitian. Bila kasus yang mempunyai Jarak Mahalanobis
lebih besar dari nilai chi-square pada tingkat signifikansi 0,001 maka terjadi multivariate outliers
. Nilai
2 0.001
dengan jumlah variabel sebanyak 18 adalah sebesar 42,312 Hasil analisis Mahalanobis diperoleh nilai 38,582 yang kurang dari
2
tabel 38,582 tersebut. Dengan demikian, tidak terjadi multivariate outliers.
4.3.2. Uji Reliabilitas
Seperti telah dijelaskan pada bab sebelumnya bahwa Cronbach’s Alpha ini digunakan untuk mengestimasi reliabiltas setiap skala variabel atau observasi
indikator. Sementara itu item to total correlation digunakan untuk memperbaiki
ukuran-ukuran dan mengeliminasi butir-butir yang kehadirannya akan memperkecil koefisien Cronbach’s Alpha yang dihasilkan Purwanto, 2002.
Hasil selengkapnya dapat dilihat pada tabel berikut: Tabel 4.4. Uji Reliabilitas
Pengujian Reliability Consistency Internal Konstrak Indikator
Item to Total Correlation
Koefisien Cronbachs Alpha
X11 0.783
X12 0.757
X13 0.805
X14 0.762
Credibility X15
0.440 0.819
X21 0.936
X22 0.737
Likeability X23
0.903 0.825
X31 0.877
X32 0.894
Attractiveness X33
0.903 0.870
X41 0.922
X42 0.906
X43 0.921
Meaningfulness X44
0.911 0.935
Y1 0.910
Y2 0.891
Brand Image Y3
0.676 0.777
: tereliminasi
Sumber: Data Diolah Proses eleminasi diperlakukan pada item to total correlation pada
indikator yang nilainya 0,5 [Purwanto,2003]. Terjadi eliminasi karena nilai item to total correlation
indikator seluruhnya ada yang tidak ≥ 0,5. Indikator yang
tereliminasi tidak disertakan dalam perhitungan cronbachs alpha. Perhitungan cronbachs dilakukan setelah proses eliminasi. Hasil pengujian reliabilitas
konsistensi internal untuk setiap construct di atas menunjukkan hasil cukup baik dimana koefisien Cronbach’s Alpha yang diperoleh seluruhnya memenuhi rules of
thumb yang disyaratkan yaitu
≥ 0,7 Hair et.al.,1998; Sekaran,2003.
4.3.3. Uji Validitas
Validitas menyangkut tingkat akurasi yang dicapai oleh sebuah indikator dalam menilai sesuatu atau akuratnya pengukuran atas apa yang seharusnya
diukur, karena indikator multidimensi, maka uji validitas dari setiap latent variable
atau construct akan diuji dengan melihat loading factor dari hubungan antara setiap observed variable dan latent variable. Hasil analisis tampak pada
tabel di bawah ini. Tabel 4.5. Uji Validitas
Standardize Faktor Loading dan Construct dengan Confirmatory Factor Analysis
Faktor Loading Konstrak Indikator
1 2 3 4 X11
0.776 X12
0.711 X13
0.768 Credibility
X14 0.676
X21 0.996
X22 0.508
Likeability X23
0.897 X31
0.796 X32
0.821 Attractiveness
X33 0.869
X41 0.893
X42 0.859
X43 0.902
Meaningfulness X44
0.885 Y1
0.965 Y2
0.842 Brand Image
Y3 0.416
Sumber: Data Diolah Berdasarkan hasil confirmatory factor analysis terlihat bahwa factor
loadings masing masing butir pertanyaan yang membentuk setiap construct
sebagian besar ≥ 0,5, sehingga butir-butir instrumentasi setiap konstruk tersebut
dapat dikatakan validitasnya cukup baik.
4.3.4. Uji Construct Reliability dan Variance Extracted
Selain melakukan pengujian konsistensi internal Cronbach’s Alpha, perlu juga dilakukan pengujian construct reliability dan variance extracted. Kedua
pengujian tersebut masih dalam koridor uji konsistensi internal yang akan memberikan peneliti kepercayaan diri yang lebih besar bahwa indikator-indikator
individual mengukur suatu pengukuran yang sama Purwanto, 2002. Dan variance extracted direkomendasikan
pada tingkat 0,50. Hasil perhitungan construct reliability
dan variance extracted dapat dilihat dalam tabel 4.7. Tabel 4.6. Construct Reliability dan Variance Extracted
Construct Reliability Variance Extrated Konstrak Indikator
Standardize Factor
Loading SFL
Kuadrat Error
[εj] Construct
Reliability Variance
Extrated X11
0.776 0.602 0.398
X12 0.711 0.506
0.494 X13
0.768 0.590 0.410
Credibility X14
0.676 0.457 0.543
0.823 0.539 X21
0.996 0.992 0.008
X22 0.508 0.258
0.742 Likeability
X23 0.897 0.805
0.195 0.859 0.685
X31 0.796 0.634
0.366 X32
0.821 0.674 0.326
Attractiveness X33
0.869 0.755 0.245
0.868 0.688 X41
0.893 0.797 0.203
X42 0.859 0.738
0.262 X43
0.902 0.814 0.186
Meaningfulness X44
0.885 0.783 0.217
0.935 0.783 Y1
0.965 0.931 0.069
Y2 0.842 0.709
0.291 Brand Image
Y3 0.416 0.173
0.827 0.806 0.604
Batas Dapat Diterima ≥ 0,7
≥ 0,5
Sumber: Data Diolah Hasil pengujian reliabilitas instrumen dengan construct reliability dan
variance extracted menunjukkan instrumen cukup reliabel, yang ditunjukkan
dengan nilai construct reliability belum seluruhnya ≥ 0,7. Meskipun demikian
angka tersebut bukanlah sebuah ukuran “mati” artinya bila penelitian yang dilakukan bersifat exploratory, maka nilai di bawah 0,70 pun masih dapat diterima
sepanjang disertai alasan–alasan empirik yang terlihat dalam proses eksplorasi. Dan variance extracted direkomendasikan pada tingkat 0,50.
4.3.5. Uji Normalitas
Uji normalitas sebaran dilakukan dengan Skewness Value dari data yang digunakan yang biasanya disajikan dalam statistik deskriptif. Nilai statistik untuk
menguji normalitas itu disebut z-value. Bila nilai-z lebih besar dari nilai kritis maka dapat diduga bahwa distribusi data adalah tidak normal. Nilai kritis dapat
ditentukan berdasarkan tingkat signifikansi 0,01 1 yaitu sebesar 2,58.
Hasilnya diperoleh nilai c.r. multivariat diantara 2,58 dan itu berarti asumsi
normalitas terpenuhi dan data layak untuk digunakan dalam estimasi selanjutnya. Hasil analisis tampak pada tabel berikut:
Tabel 4.7. Uji Normalitas
Assessment of normality Variable min
max kurtosis
c.r. X11 3
7 0.004
0.008 X12 4
7 -0.750
-1.591 X13 3
7 0.279
0.593 X14 3
7 0.192
0.407 X21 4
7 -0.806
-1.711 X22 4
7 -0.372
-0.789 X23 4
7 -0.817
-1.732 X31 4
7 -0.559
-1.186 X32 4
7 -0.614
-1.302 X33 4
7 -0.696
-1.476 X41 2
7 -0.598
-1.268 X42 2
7 -0.531
-1.126 X43 2
7 -0.526
-1.115 X44 2
7 -0.493
-1.045 Y1 3
7 -0.830
-1.762 Y2 3
7 -0.683
-1.449 Y3 4
7 -0.647
-1.373
Multivariate -3.662
-0.749 Batas Normal
± 2,58
Sumber: Data Diolah
4.4. Structural Equation Modelling
Kategori